建筑物沉降灰色模型预测

本文应用灰色系统理论,对建筑物沉降观测数据进行处理,建立灰色动态ＧＭ模型,作出沉降预测,并获取了满意的结果。     

开挖降水条件下基坑周围建筑物沉降预测研究

利用Gompertz曲线模型、灰色理论模型和BP神经网络模型等单一预测模型对基坑周围建筑物沉降进行预测,之后将结果与三者优化组合模型的预测结果进行比较分析,结果表明：单一模型预测结果的精度比三者优化组合模型的精度较低,而其中通过最优加权法组合的模型预测精度最高。     

神经网络和灰色系统模型在深基坑周边建筑物沉降预测中的应用

深基坑的开挖会对周边建筑物产生较大影响,因而基坑周边的建筑物的沉降观测及分析至关重要。本文分别采用神经网络和灰色系统两种模型对基坑周边的建筑物的沉降观测数据进行分析和预测,并与实际观测结果进行对比,结果表明两种模型均能达到较高的精度。     

高层建筑物沉降预测方法及对比分析

对高程建筑物进行沉降预测对于保证人民群众生命财产安全具有重要意义.针对广州市某高层建筑物的历史沉降数据开展试验,分别采用多项式拟合法、灰色GM(1,1)模型和BP神经网络模型等方法进行数据处理和沉降预测分析,并从算法实时性、小样本情况下的预测性能和低信噪比条件下的稳健性等3个方面对方法的适用性进行了对比分析.结果表明,...     

组合模型在建筑物沉降预测中的应用

对将BP神经网络与Verhulst模型组合,建立了一种组合模型,并结合天津老城厢晶典苑中级人民法院沉降监测工程实例,通过组合模型和BP神经网络模型、Verhulst模型预测值与真实值的比较,讲究表明组合模型具有较强的适用性,提高了Verhulst模型的预测精度。     

改进BP神经网络算法在基坑沉降预测中的应用

提出一种采用BP神经网络算法来预测深基坑沉降的方法，结合具体工程实例，构建了预测深基坑周边地表沉降具体BP神经网络模型，预测结果表明，该模型有较高的预测精度，可作为预测沉降的一种新方法。     

临近基坑的建筑物沉降预报

将BP神经网络应用于深基坑开挖引起的建筑物沉降预报,编制了基于Matlab6．5平台的建筑物沉降预报计算程序,工程实例计算表明该方预测精度较高,在工程实践中有较好的实用性。     

临近基坑建筑物沉降神经网络动态预报

将BP神经网络与遗传算法结合,建立了建筑物沉降的动态预报模型。实例分析表明所建立的模型预测精度较高,预报值与实测值吻合较好,该方法对建筑物沉降的实时预报有一定的实用性。     

网络基坑沉降预测模型的结构探讨

针对深基坑开挖施工过程中多种因素引起的沉降变形具有较强随机性特点 ,用BP神经网络替代灰色CM (1,1)模型 ,可有效改善了施工工程中深基坑沉降变形值的预测精度 ,并对BP神经网络结构形式进行了探讨     

建筑物沉降动态预测方法的研究

本文简述了时间序列分析的理论 ,并运用核理论 ,提出一套建筑物沉降建模方法 ,进行动态预测建筑物沉降的发展。通过例算 ,证明该种建筑物沉降动态预测方法的正确性     

深基坑降水过程中周围建筑物沉降的系统预测

深基坑降水过程中，建筑物产生的不均匀沉降变化具有系统性和不确定性。采用灰色系统理论建立了建筑物沉降量的系统预测模型MGM(1，n)。工程实例显示，与单变量GM(1，1)模型相比，MGM(1，n)模型有较好的精度和预测可靠度，对沉降预测有一定指导意义。     

基于ALSTM模型的基坑周边建筑物沉降预测

中短期基坑沉降监测序列具有非线性和数据量小的特点,导致常规预测模型很难获取准确的预测结果。针对传统模型未考虑到历史时刻沉降情况对未来沉降量具有不同影响的缺点,本文采用ALSTM(Attention LSTM)预测模型,并以某大厦基坑工程变形监测的数据为例进行验证。实验结果表明,相比LSTM、支持向量回归和BP神经网络模型,ALSTM模型能够取得更加准确的预测结果,适用于短期和中短期两种情况下的沉降变形预测。     

采用Gompertz模型预测深基坑周边地表沉降

目前对深基坑周边地表进行预测的理论还很不成熟,该理论目前还处在研究阶段,规范上给出了相关监测标准,但没有提供相关预测方法,且各种规范给出的监测标准也不统一。已有文献中的预测方法主要是通过一些线性假设,结合参数进行预测的,是一种一步到位的预测方法,预测值的精度完全由参数的取值是否合理所决定,人为因素较大,且无法考虑工程的具体施工情况,在施工过程中无法进行调整。Gompertz模型是一种生长曲线,成反S型,常用于生产、商业领域。Gompertz的导数模型成抛物线型,与深基坑周边地表沉降的曲线相似。结合Gompertz模型,并对其进行求导,调整后、得出深基坑周边地表沉降公式δ(x)=ace(b-cx)exp(-e(b-cx))。该公式不需要最大侧移值作为预测条件,给出了利用该公式进行预测的计算步骤,参数的取值排除了人为的影响因素,更为合理。用工程实例验证得出该公式预测精度较高,是一种简单、实用的基坑周围地表沉降预测方法。     

建筑物基础最终沉降的灰色预测

以工程数学理论为基础,运用灰色预测的方法,对建筑物基础的最终沉降变形进行预测。通过建立数学模型进行最终沉降量计算,并与实际观测值相比较,具有较高的精度和使用价值。     

基坑开挖引起建筑物沉降的实用预测方法

结合弹性地基梁原理与经验公式法,将基坑开挖引起的地表沉降转化成沉降反力,并利用MIDAS-GEN软件计算沉降反力引起的建筑物附加沉降值。结合工程实例对该方法的可靠性进行验证,并对影响建筑物沉降值的3个因素进行了分析。研究结果表明:该方法能得到与实测值比较吻合的计算结果;基坑与建筑物间的距离越大,则远离基坑一端的建筑物沉降越小;基床系数k的取值对建筑物沉降影响很大,随着k值的增大,建筑物沉降减小,首尾沉降差和倾斜角度也减小;在一定刚度范围内,建筑物刚度越大,建筑物最大沉降越小,且曲线形状趋于直线变化。     

基于人工神经网络的建筑物沉降预测

根据建筑物实测沉降利用人工神经网络理论 ,建立了前馈网络预测模型并提出新的学习算法 ,结合某建筑物纠偏工程实例对建筑物沉降进行了预测。预测结果表明神经网络方法是可行且有效的     

灰色预测在高层建筑物沉降监测中的应用

以秀山湖二期工程为例,运用灰色预测系统,建立了两种非等间隔灰色GM(1,1)模型,并对建筑物进行沉降监测,通过对沉降数据的对比分析,指出采用数据变换的非等间隔GM(1,1)模型要优于加权处理的非等间隔GM(1,1)模型。     

基于BP神经网络的偏压隧道拱顶沉降预测

采用BP神经网络,以香山隧道拱顶沉降监测数据为样本进行训练,得到了相应的学习曲线,并采用所建立的神经网络预测模型,对隧道拱顶沉降进行了预测,结果表明:建立的BP神经网络模型能够很好的描述既有训练样本曲线变化特征,且预测精度与既有监测数据相关,亦与预测长度有关,预测长度较长时预测结果可信度降低。     

Ratkowsky模型在基坑周边地表沉降预测中的应用研究

对于软土地基工程,依据基坑开挖沉降变形的特点,在线性加载或近似线性加载情况下,沉降-时间曲线呈"S"型,而Ratkowsky模型的曲线形式也呈现"S"型。考虑到两者增长方式的相似性,并且模型参数具有较明确的意义,提出用Ratkowsky模型来描述基坑开挖过程中周边地表的沉降。笔者通过工程实例验证了Ratkowsky模型预测的合理性和可行性,并以误差大小和迭代系数的稳定性说明该方法优于指数和双曲线模型,具有一定的参考和使用价值。